本文提出了一种新方法，通过全球确定性运动与局部随机变化建模降水系统，解决降水预测中的不足。实验结果表明，该方法优于现有技术，代码将公开。

研究提出了一种多模态模型TCP-扩散，解决热带气旋降水预测中的累积误差和物理一致性问题。该模型利用历史降水和环境数据，以3小时分辨率预测未来12小时降水，显著提升准确性，适用于资金有限的地区。结合因果注意力机制，新模型在强降水预测中优于传统方法。

本研究提出了一种新的可解释性管道，用于整合卫星图像和气象数据进行区域气候变化预测模型。研究发现降水对土地表面的影响最显著，其次是温度和气压，并揭示了气象变量与植被指数之间的非线性相关性。该管道能够简化复杂模型的多样性分析。

该研究介绍了RASPNet，一个用于雷达自适应信号处理的大规模数据集，包含100个真实场景，可用于雷达算法的开发和评估，填补了自适应雷达处理技术评估的空白。

这项研究利用滞后的水流数据与降水和温度数据相结合，扩展了CNN-LSTMs在时间序列设置中的应用，以预测水流状况。在内布拉斯加州的32个HUC8流域中的21个流域中取得了显著的预测性能改进，展示了CNN-LSTMs在时空水文建模中的效果。

使用荷兰皇家气象研究所（KNMI）的降水和气象数据，我们设计了一种物理信息神经网络用于降水预报，该模型在生成对抗学习框架中直接将物理监督集成进去，并采用了 VQ-GAN 和 Transformer 生成器以及时间鉴别器，研究结果表明，PID-GAN 模型在降水预报下游指标上优于数值和 SOTA 深度生成模型。

近期基于深度学习的时序降水预测模型研究进展与性能评估综述

通过深度卷积神经网络和其他技术，将低分辨率的降水数据降尺度为高分辨率的数据，提高气候下缩放模型的预测准确性。

该论文提出了一种卷积神经网络模型，用于在降雨预报中将数据驱动学习与物理知识相结合。我们提出了 LUPIN，一种拉格朗日双 U-Net 物理驱动预报模型，它借鉴了现有的基于外推的预报方法，并以完全可区分和 GPU 加速的方式实现了数据的拉格朗日坐标系统转换，以实现实时的端到端训练和推理。根据我们的评估，LUPIN 与所选基准模型的表现相匹配并超出，为其他拉格朗日机器学习模型提供了机会。

该研究提出了一个基于量化降水估计和多传感器分割的框架，用于天气站降水估计。该框架通过机器学习算法自动检测天气系统的演变和移动，并与特定地形属性相关联。评估结果显示，该框架在一般情况下表现良好，并在检测大雨事件方面表现出色。该方法可以整合异构数据源并有望改进极端降水情景的预测。